Chem. Sci. | 设计蛋白-蛋白相互作用界面的深度学习模型

主要观点总结

本文介绍了复旦大学药学院戚逸飞/王任小团队开发的用于蛋白-蛋白相互作用（PPI）界面序列设计的深度学习模型——ProBID-Net。该模型能够在多项测试中展现优良性能，包括界面残基恢复率、困惑度、界面疏水保守性和折叠能力等方面。模型已开源，可从指定链接获取。

关键观点总结

关键观点1: ProBID-Net模型的开发和应用

ProBID-Net是一种基于深度学习的蛋白界面设计方法，能够根据给定的受体蛋白结构，预测配体蛋白界面上的氨基酸序列。模型使用QSalignHET标记的PDB异源二聚体界面结构作为训练集，并补充结构域-结构域界面作为补充训练数据。

关键观点2: ProBID-Net与其他模型的比较

ProBID-Net与2024年诺贝尔化学奖得主David Baker教授研究小组开发的ProteinMPNN在界面残基恢复率上相当，但在预测置信度、疏水保守性和结构预测方面表现更优。

关键观点3: ProBID-Net的评估和测试

ProBID-Net经过严格的测试，包括界面残基恢复率、困惑度、折叠能力等方面的评估。此外，还进行了蛋白-蛋白结合亲合力零样本测试，证明其泛化能力。

关键观点4: ProBID-Net的意义和影响

ProBID-Net为蛋白-蛋白相互作用的设计提供了有效工具，有助于功能蛋白的高效设计。模型已开源，为相关研究提供了便利。

文章预览

随着人工智能的快速发展，深度神经网络能够从蛋白质结构或序列数据中学习高阶特征，深入掌握蛋白质序列与结构的关系，从而实现功能蛋白的高效设计。 然而，大多数深度学习模型仍主要用于单链骨架的设计，难以充分应对更复杂的蛋白 - 蛋白相互作用（ protein-protein interaction, PPI ）设计挑战。为此，复旦大学药学院戚逸飞 / 王任小团队开发了专门用于 PPI 界面序列设计的模型—— ProBID-Net 。该模型能够根据给定的受体蛋白结构，预测配体蛋白界面上的氨基酸序列，并在多项测试中展现了优良的性能。近日，该项研究成果已在 Chemical Science 期刊在线发表 【 1 】。 ProBID-Net 首先对目标残基及其周围相邻链残基主链原子在三维网格中的密度分布进行提取，随后利用 20 种天然氨基酸的原子密度信息编码，存储在不同的通道中，作为界面相互作用特征 ………………………………